- 博客(19)
- 收藏
- 关注
RSS订阅原创 nltk库下载报错：【Errno:11004】getaddrinfo failed
nltk下载报错：[Error:11004] getaddrinfo failed
2022-08-21 15:12:49
1926
1
原创 五、线性回归建模及检验★
线性回归在第四章中，已经完成回归分析之线性回归模型构建。接下来是模型诊断。当Y服从正态分布时，模型表现指标会好。如R2R^2R2(精确度)、β(稳定性)。模型要求：精确度R2R^2R2变化不大且稳定性β长期保持在一个水平上。要保持模型精确和稳定，就要进行模型检验，使模型满足假设。多元回归假设：Y的平均值能够准确地被由X组成的线性函数建模出来的。(回归均值)解释变量X和随机扰动项ϵ\epsilonϵ不存在线性关系。(回归公式：Y=βX+ϵY = \beta X+\epsilonY=
2021-12-06 19:44:10
3525
原创 四、案例：北京二手房价影响因素分析
作业要求：因变量分析：单位面积房价分析自变量分析：1>自变量自身分布情况2>自变量对因变量影响分析建立房价预测模型1>线性回归模型2>对因变量取对数的线性模型3>考虑交互项的对数线性预测房价步骤一：数据情况import pandas as pd import numpy as npimport mathimport matplotlibimport matplotlib.pyplot as pltimport seaborn as snsi
2021-11-29 21:49:40
4614
2
原创 四、回归分析之线性回归模型构建
回归分析线性回归1.线性回归：y=β0+β1x1+ϵ,β0截距，β1斜率y = \beta_0 + \beta_1x_1 +\epsilon , \beta_0截距， \beta_1斜率y=β0+β1x1+ϵ,β0截距，β1斜率2 线性回归的估计残差：点到线的竖直距离残差平方和：L=∑(yi−y^)2=∑(yi−(β0+β1x1))2L = \sum{(y_i - \hat{y})^2} = \sum{(y_i - (\beta_0 + \beta_1x_1))^2}L=∑(y
2021-11-28 20:18:41
5414
原创 四、假设检验之参数估计（一）
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
2021-10-23 16:16:10
558
原创 二、数据清洗和整理
数据整合：表的连接数据导入import pandas as pdimport os os.chdir(r"E:\数据与脚本\5Preprocessing")sale=pd.read_csv(r"sale.csv",encoding="gbk") # 有英文，所以改为gbksale连接数据库import sqlite3 # 可以连接大部分数据库con = sqlite3.connect(':memory:') # 数据库连接sale.to_sql('sale', con) #
2021-08-27 20:31:57
364
原创 二、描述性统计分析及可视化
目录描述性统计分析概述示例描述统计总结一个分类变量一个连续变量两个分类变量分类变量和连续变量汇总表：两个分类变量+一个连续变量描述性统计分析概述python原始的数据类型：字符型、逻辑型、数值型、复数型。从统计方面来看，数据分为三种类型：名义型、等级型、连续型名义变量：性别、民族等，没有顺序之分，名义变量不一定是字符类型等级变量：有顺序之分，可以是字符也可是数值型，差值没有意义。连续变量：只能是数值型，连续变量的差值是有意义的。注：连续变量可以当作等级变量用，等级变量也可以当成连续变
2021-08-27 19:56:54
4573
原创 python之机器学习二：朴素贝叶斯
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器新的改变我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdow
2021-08-16 11:15:31
661
原创 python之OOP
目录面向对象基础（OOP）基本操作定义类属性、函数的调用调用实例函数类的函数构造函数实例属性和类属性OOP函数分类各函数调用方式OOP三大特性封装继承面向对象基础（OOP）基本操作定义类# 法一class one: pass # 法二class two(): pass# 法三class three(object): pass属性、函数的调用class teacher(object): name = '老师' #属性 age = 18
2021-08-05 15:56:38
258
原创 Python之变量类型
目录内置函数函数参数其他数字类型进制转换字符串字符串格式化列表元组集合字典内置函数函数参数普通参数：位置参数def intro(name,age): info =f"my name is {name},i am {age}years old." print(info)intro('zyl',18)默认参数def intro(me,lover='wang'): print(f'I am {me},我爱{lover}') intro('zyl')
2021-08-04 13:44:15
229
2
原创 动手学数据分析（一）：数据载入与观察
文章目录数据载入与观察1 载入数据相对路径导入数据绝对路径导入数据read_csv 与read_table的区别数据模块读取换列名数据基本信息2 pandas基础生成Series生成DataFrame查看某列的值删除某列将一些列元素隐藏，观察某几列元素DataFrame筛选查找筛选数值型数据筛选某行某列sort_values()算数计算数据载入与观察1 载入数据# 导入模块import numpy as npimport pandas as pdimport os相对路径导入数据#写入相对
2021-07-14 01:00:29
290
原创 python之机器学习一：决策树之分类树（1）
决策树概述决策树的准备工作特征选择香农熵信息增益数据集的最佳切分方式按照给定列切分数据集递归构建决策树决策树的存储决策树分类效果概述决策树： 是有监督学习的一种算法，并且是一种基本的分类与回归的方法。决策树分为分类树和回归树，本章主要是分类树。决策树的准备工作决策树的构建分为三个过程：特征选择、决策树的生成、决策树的剪枝1 原理： 由根节点到叶节点构成一条规则，中间结点的特征对应着规则的条件，叶结点的特征（类标签）对应着结论。决策树路径互斥且完备，即每一个实例被有且仅有一条路径或规则覆盖（实例
2021-07-08 21:08:09
624
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人